[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dBeker--Faster-RCNN-TensorFlow-Python3":3,"tool-dBeker--Faster-RCNN-TensorFlow-Python3":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":81,"owner_url":82,"languages":83,"stars":117,"forks":118,"last_commit_at":119,"license":120,"difficulty_score":121,"env_os":122,"env_gpu":123,"env_ram":124,"env_deps":125,"category_tags":133,"github_topics":81,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":134,"updated_at":135,"faqs":136,"releases":166},1306,"dBeker\u002FFaster-RCNN-TensorFlow-Python3","Faster-RCNN-TensorFlow-Python3","Tensorflow Faster R-CNN for Windows\u002FLinux and Python 3 (3.5\u002F3.6\u002F3.7)","Faster-RCNN-TensorFlow-Python3 把经典的目标检测算法 Faster R-CNN 完整迁移到了 TensorFlow，并专门适配了 Windows 与 Linux 下的 Python 3.5\u002F3.6\u002F3.7 环境。它解决了旧版代码只支持 Python 2、在 Windows 上编译困难、依赖混乱等痛点，让研究者和开发者可以“一键”训练或测试自己的检测模型。\n\n如果你正在做目标检测、实例分割或需要在自己的数据集上快速验证想法，这套代码会省去大量配置时间：只需装好 TensorFlow（GPU 版更佳），按 README 四步走完编译与数据准备，就能直接运行 train.py 开始训练。仓库已内置 COCO 与 Pascal VOC 数据接口，并提供 VGG16 等预训练权重，方便迁移学习。\n\n亮点在于：跨平台支持完善、代码结构清晰、文档步骤详尽，既适合刚入门的研究生快速跑通实验，也方便资深工程师在此基础上二次开发。","# tf-faster-rcnn\nTensorflow Faster R-CNN for Windows and Linux by using Python 3\n\nThis is the branch to compile Faster R-CNN on Windows and Linux. It is heavily inspired by the great work done [here](https:\u002F\u002Fgithub.com\u002Fsmallcorgi\u002FFaster-RCNN_TF) and [here](https:\u002F\u002Fgithub.com\u002Frbgirshick\u002Fpy-faster-rcnn).\n\nCurrently, this repository supports Python 3.5, 3.6 and 3.7. Thanks to @morpheusthewhite\n\n# How To Use This Branch\n1. Install tensorflow, preferably GPU version. Follow [instructions]( https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Finstall_windows). If you do not install GPU version, you need to comment out all the GPU calls inside code and replace them with relavent CPU ones.\n\n2. Checkout this branch\n\n3. Install python packages (cython, python-opencv, easydict) by running  \n`pip install -r requirements.txt`   \n(if you are using an environment manager system such as `conda` you should follow its instruction)\n\n4. Go to  .\u002Fdata\u002Fcoco\u002FPythonAPI  \nRun `python setup.py build_ext --inplace`  \nRun `python setup.py build_ext install`  \nGo to .\u002Flib\u002Futils and run `python setup.py build_ext --inplace`\n\n5. Follow [these instructions](https:\u002F\u002Fgithub.com\u002Frbgirshick\u002Fpy-faster-rcnn#beyond-the-demo-installation-for-training-and-testing-models) to download PyCoco database.\nI would be glad if you can contribute with a batch script to automatically download and fetch. The final structure has to look like  \n`data\\VOCDevkit2007\\VOC2007`  \n\n1. Download pre-trained VGG16 from [here](http:\u002F\u002Fdownload.tensorflow.org\u002Fmodels\u002Fvgg_16_2016_08_28.tar.gz) and place it as `data\\imagenet_weights\\vgg16.ckpt`.  \nFor rest of the models, please check [here](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fslim#pre-trained-models)\n\n7. Run train.py\n\nNotify me if there is any issue found.\n\n","# tf-faster-rcnn  \n基于 Python 3 的 Windows 和 Linux 平台 TensorFlow Faster R-CNN  \n\n这是用于在 Windows 和 Linux 上编译 Faster R-CNN 的分支。其灵感主要来源于 [这里](https:\u002F\u002Fgithub.com\u002Fsmallcorgi\u002FFaster-RCNN_TF) 和 [这里](https:\u002F\u002Fgithub.com\u002Frbgirshick\u002Fpy-faster-rcnn) 的优秀工作。\n\n目前，该仓库支持 Python 3.5、3.6 和 3.7。感谢 @morpheusthewhite。\n\n# 如何使用此分支  \n1. 安装 TensorFlow，最好选择 GPU 版本。请按照 [安装说明](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Finstall_windows) 进行操作。如果您未安装 GPU 版本，则需注释掉代码中的所有 GPU 调用，并将其替换为相应的 CPU 实现。\n\n2. 检出此分支。\n\n3. 通过运行以下命令安装 Python 包（cython、python-opencv、easydict）：  \n`pip install -r requirements.txt`  \n（如果您使用的是 `conda` 等环境管理工具，请遵循其相关说明。）\n\n4. 进入 .\u002Fdata\u002Fcoco\u002FPythonAPI 目录，执行：  \n`python setup.py build_ext --inplace`  \n`python setup.py build_ext install`  \n然后进入 .\u002Flib\u002Futils 目录，执行：  \n`python setup.py build_ext --inplace`\n\n5. 按照 [这些说明](https:\u002F\u002Fgithub.com\u002Frbgirshick\u002Fpy-faster-rcnn#beyond-the-demo-installation-for-training-and-testing-models) 下载 PyCoco 数据集。如果您能贡献一个批量脚本以自动下载和提取数据，我将不胜感激。最终的目录结构应如下所示：  \n`data\\VOCDevkit2007\\VOC2007`  \n\n6. 从 [这里](http:\u002F\u002Fdownload.tensorflow.org\u002Fmodels\u002Fvgg_16_2016_08_28.tar.gz) 下载预训练的 VGG16 模型，并将其放置于 `data\\imagenet_weights\\vgg16.ckpt`。其余模型请参考 [这里](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fslim#pre-trained-models)。\n\n7. 运行 train.py。\n\n如发现任何问题，请及时告知我。","## Faster-RCNN-TensorFlow-Python3 快速上手指南\n\n### 环境准备\n- **系统**：Windows \u002F Linux 64 位  \n- **Python**：3.5 \u002F 3.6 \u002F 3.7  \n- **TensorFlow**：推荐 GPU 版（CUDA 10.0 + cuDNN 7.4+）  \n- **编译工具**：Visual Studio 2015（Windows）或 gcc（Linux）\n\n### 安装步骤\n1. 安装 TensorFlow（GPU 版优先）  \n   ```bash\n   pip install tensorflow-gpu==1.15\n   ```\n\n2. 克隆仓库并切换分支  \n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmorpheusthewhite\u002Ftf-faster-rcnn.git\n   cd tf-faster-rcnn\n   ```\n\n3. 安装依赖  \n   ```bash\n   pip install -r requirements.txt\n   ```\n\n4. 编译 Cython 扩展  \n   ```bash\n   # COCO API\n   cd data\u002Fcoco\u002FPythonAPI\n   python setup.py build_ext --inplace\n   python setup.py build_ext install\n\n   # 项目扩展\n   cd ..\u002F..\u002Flib\u002Futils\n   python setup.py build_ext --inplace\n   ```\n\n5. 准备数据集  \n   - 下载 [VOC2007](http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtrainval_06-Nov-2007.tar) 并解压到 `data\u002FVOCDevkit2007\u002FVOC2007`  \n   - 下载 [COCO](http:\u002F\u002Fimages.cocodataset.org\u002Fzips\u002Ftrain2014.zip)（可选）\n\n6. 下载预训练权重  \n   ```bash\n   mkdir -p data\u002Fimagenet_weights\n   wget http:\u002F\u002Fdownload.tensorflow.org\u002Fmodels\u002Fvgg_16_2016_08_28.tar.gz\n   tar -xzf vgg_16_2016_08_28.tar.gz\n   mv vgg_16.ckpt data\u002Fimagenet_weights\u002Fvgg16.ckpt\n   ```\n\n### 基本使用\n1. 训练（以 VOC2007 为例）  \n   ```bash\n   python train.py --dataset pascal_voc --net vgg16\n   ```\n\n2. 测试单张图片  \n   ```bash\n   python demo.py --model output\u002Fvgg16\u002Fvoc_2007_trainval\u002Fdefault\u002Fvgg16_faster_rcnn_iter_70000.ckpt --image demo.jpg\n   ```\n\n3. 批量测试  \n   ```bash\n   python test_net.py --dataset pascal_voc --net vgg --checksession 1 --checkepoch 20 --checkpoint 10021\n   ```\n\n> 如需 CPU 版，注释代码中所有 GPU 调用并替换为 CPU 实现。","某市交通管理局的 AI 小组需要在 2 周内上线一套“占道施工智能巡检系统”，用于自动识别道路监控视频中的施工围栏、工程车辆和锥桶，以实时预警违规占道。\n\n### 没有 Faster-RCNN-TensorFlow-Python3 时\n- 小组成员先用 OpenCV 写传统图像处理脚本，手工调阈值检测锥桶，准确率仅 60%，雨天和夜间直接失效  \n- 为了兼容单位老旧 Windows 服务器，只能跑 CPU 版 YOLOv3，单帧推理 3.2 秒，实时性无从谈起  \n- Python 2.7 与 TensorFlow 1.13 冲突频发，每次重装环境都要折腾两天，进度被严重拖慢  \n- 训练数据需转成 Pascal VOC 格式，脚本又只支持 Python 2，标注团队每天加班手工改 XML  \n- 最终模型在 Linux 上训练好，却无法在 Windows 生产环境加载，被迫重写数据读取层，项目延期 1 周\n\n### 使用 Faster-RCNN-TensorFlow-Python3 后\n- 直接调用预训练 VGG16 权重，微调 2 小时后在测试集上 mAP 达到 87%，雨夜场景也能稳定识别  \n- 官方已适配 Python 3.7 与 TensorFlow 1.15，GPU 版在 1080Ti 上单帧 120 ms，轻松满足 8 路视频实时流  \n- Windows\u002FLinux 同一套代码，conda 一条命令装好依赖，新人上手 30 分钟就能跑通 demo  \n- 内置 COCO API 与 VOC 转换脚本，标注组一键生成训练集，节省 70% 人力  \n- 训练出的 checkpoint 直接拷贝到 Windows 服务器，无需改一行代码即可上线，项目按期交付\n\nFaster-RCNN-TensorFlow-Python3 让交通 AI 小组在两周内完成从数据到部署的全流程，真正实现了“今天训练、明天上线”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdBeker_Faster-RCNN-TensorFlow-Python3_e32b0c22.png","dBeker","Deniz Beker","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FdBeker_26cb1873.jpg","Engineer MSc. EE","Medtronic","London, UK",null,"https:\u002F\u002Fgithub.com\u002FdBeker",[84,88,91,95,98,102,106,110,114],{"name":85,"color":86,"percentage":87},"Python","#3572A5",95.5,{"name":89,"color":90,"percentage":23},"MATLAB","#e16737",{"name":92,"color":93,"percentage":94},"Lua","#000080",0.7,{"name":96,"color":97,"percentage":94},"C++","#f34b7d",{"name":99,"color":100,"percentage":101},"C","#555555",0.5,{"name":103,"color":104,"percentage":105},"Cython","#fedf5b",0.4,{"name":107,"color":108,"percentage":109},"Jupyter Notebook","#DA5B0B",0.1,{"name":111,"color":112,"percentage":113},"Shell","#89e051",0,{"name":115,"color":116,"percentage":113},"Makefile","#427819",625,325,"2026-04-02T08:29:07","MIT",4,"Linux, Windows","GPU 非必需，但强烈建议使用 NVIDIA GPU 并安装 TensorFlow GPU 版；CUDA 版本需与 TensorFlow 版本匹配（未给出具体版本号）","未说明",{"notes":126,"python":127,"dependencies":128},"1. 若使用 CPU 版本 TensorFlow，需手动注释代码中所有 GPU 调用并替换为 CPU 实现；2. 需额外编译 COCO API 与 lib\u002Futils 中的 Cython 扩展；3. 需手动下载 COCO 数据集、VOC2007 数据集及预训练 VGG16 权重并放置到指定目录；4. 建议使用 conda 等环境管理器","3.5 \u002F 3.6 \u002F 3.7",[129,130,131,132],"tensorflow","cython","opencv-python","easydict",[14,13],"2026-03-27T02:49:30.150509","2026-04-06T06:56:30.489885",[137,142,147,152,156,161],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},5981,"训练自定义数据集时出现“Path does not exist”错误怎么办？","该错误通常是因为代码仍在读取旧的 VOC2007 索引文件（ImageSets\u002FMain\u002F*.txt）。解决步骤：\n1. 删除 data\u002FVOCdevkit2007\u002FVOC2007\u002FImageSets\u002FMain 下的 trainval.txt、test.txt 等旧索引文件；\n2. 重新生成只包含你新图片文件名的 txt 文件；\n3. 确保 JPEGImages 文件夹里的图片文件名与 txt 中的索引一一对应。","https:\u002F\u002Fgithub.com\u002FdBeker\u002FFaster-RCNN-TensorFlow-Python3\u002Fissues\u002F85",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},5982,"训练过程中 proposal_target_layer.py 报错 keep_inds = np.append(fg_inds, bg_inds) 怎么办？","报错原因是前景\u002F背景样本均为空。修改 config.py 中的阈值即可：\n```python\ntf.app.flags.DEFINE_float('roi_bg_threshold_high', 0.3, \"...\")\ntf.app.flags.DEFINE_float('roi_bg_threshold_low', 0.0, \"...\")\n```\n把 roi_bg_threshold_high 从 0.5 降到 0.3，roi_bg_threshold_low 从 0.1 降到 0.0，可显著减少该错误。","https:\u002F\u002Fgithub.com\u002FdBeker\u002FFaster-RCNN-TensorFlow-Python3\u002Fissues\u002F31",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},5983,"如何从 checkpoint 继续训练？","1. 在 train.py 里找到加载预训练权重的代码段（通常在 build_networks 之后）；\n2. 将 `restore` 的 path 指向你保存的 checkpoint 目录；\n3. 确保 `tf.train.Saver` 的 `max_to_keep` 足够大；\n4. 运行训练脚本即可从最近保存的 step 继续。若显存不足，可先运行 demo.py 测试 checkpoint 是否正常。","https:\u002F\u002Fgithub.com\u002FdBeker\u002FFaster-RCNN-TensorFlow-Python3\u002Fissues\u002F87",{"id":153,"question_zh":154,"answer_zh":155,"source_url":151},5984,"GPU 显存不足（ResourceExhaustedError）怎么办？","报错信息中出现 “OOM when allocating tensor” 即显存不足。解决方案：\n1. 换用更小 batch_size（在 config.py 里把 `__C.TRAIN.IMS_PER_BATCH` 从 1 降到更小，或手动设置 GPU 显存按需增长）；\n2. 使用 CPU 训练：在运行脚本前设置环境变量 `export CUDA_VISIBLE_DEVICES=''`；\n3. 若显卡只有 2 GB 显存，建议改用 CPU 或升级硬件。",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},5985,"如何把默认的 VGG16 网络换成 ResNet？","1. 在 lib\u002Fnets 下准备 ResNet 的实现（可参考 tf-faster-rcnn 项目）；\n2. 修改 `cfg.network` 为 'resnet50' 或 'resnet101'；\n3. 在 config.py 中增加 ResNet 相关超参数，如 `__C.POOLING_SIZE = 7`；\n4. 注意 ResNet 的 anchor 尺寸、ratio 与 VGG 不同，需同步调整。","https:\u002F\u002Fgithub.com\u002FdBeker\u002FFaster-RCNN-TensorFlow-Python3\u002Fissues\u002F79",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},5986,"demo.py 运行后没有任何检测结果怎么办？","常见原因：\n1. 训练 loss 未收敛（loss 在 1 以上波动），模型未学到有效特征；\n2. 类别名与训练时使用的 `pascal_voc.py` 中 `self._classes` 不一致；\n3. 检测阈值过高，可在 demo.py 中把 `CONF_THRESH` 从 0.8 降到 0.3 再试；\n4. 确保测试图片尺寸与训练时一致（短边 600）。若仍无框，可先用 tensorboard 查看训练 loss 是否已稳定下降。","https:\u002F\u002Fgithub.com\u002FdBeker\u002FFaster-RCNN-TensorFlow-Python3\u002Fissues\u002F106",[]]